1.基于特征级图描述符和图卷积网络的CAD模型分类方法，其特征在于，该方法具体如下：

步骤1、获取面向特征的模型文件作为基础数据集；

步骤2、将数据集中的CAD模型的.sldprt文件转换为TU格式的特征级图描述符，具体操作如下：

步骤2‑1：读取.sldprt模型文件中CAD模型的特征树，提取规定特征接口的特征，其中特征接口包括ExtrudeFeatureData、LoftFeatureData、SweepFeatureData、RevolveFeatureData、LinearPatternFeatureData、CircularPatternFeatureData、IMirrorPatternFeatureData、ISimpleFilletFeatureData、IVariableFilletFeatureData、IChamferFeatureData、WizardHoleFeatureData、SimpleHoleFeatureData、ShellFeatureData、ThreadFeatureData，再提取特征属性中的父子依赖关系，对提取的特征，构建一个以特征为节点、以特征的父子依赖关系为边的特征依赖图Gfea，作为特征级图描述符的基础；

步骤2‑2：设计特征级图描述符节点的属性向量，并读取特征的依赖关系和接口参数，以此定义描述符节点具有哪些属性；

读取特征依赖图Gfea中的特征所具有的子依赖关系，顺位读取首个草图作为生成该特征的草图，若子依赖关系中无草图，则设定对应特征草图为无，根据预定义的属性提取草图线段所具有的各项参数，并分析线段的特征得到草图线段的属性向量，以此组合草图的属性向量，若无草图则对应维度设置为E；

预处理模型数据集，根据步骤2‑1捕获特征的方法获取所有特征，读取特征对应特征接口的所有参数，并转换为可量化的数值，面向数据集提取所有参数的数值，对相同参数构建数值分布，若同一参数相同数值的分布高于整体的90％，则判定该参数不具备几何表现力，对其进行筛除，同时对同一类的的参数进行加权组合，xd＝w1x1+w2x2+…+wnxn，其中xn表示第n个参数，wn表示第n个参数的加权系数；以压缩参数的维度，最终按照特征接口划分的特征类型，为每个特征设计属性向量，维度不统一的属性向量，对未定义的维度赋值为E；

步骤2‑3：对特征依赖图Gfea中的阵列特征进行“阵列关系化”的转换，将阵列特征扩展为其阵列复制的多个源特征，并依照源特征的依赖关系，连接在Gfea上，形成特征级图描述符Gfea‑level；

步骤3、结合跳跃连接网络和基于边收缩的层次化池化机制，构建CAD模型的图卷积分类网络，实现对CAD模型的分类，具体操作如下：CAD模型分类网络使用GraphSAGE图卷积网络作为骨干网络，并融合了跳跃连接网络和基于边收缩池化机制，面向构造几何的CAD模型，将该网络记为CSG‑GraphNet；CSG‑GraphNet共包含5个卷积部分conv1～conv5，在其conv2和conv4卷积部分后添加层次化池化部分pool1和pool2；添加跳跃连接网络的残差单元JK‑Net，聚合conv1～conv5和pool～pool2的网络层输出；

GraphSAGE图卷积网络基于空域实现节点消息传递，提出了一种邻居采样的机制使图卷积网络能够适应不同大小的图，在进行卷积时，对邻居节点进行采样，通过设置采样倍率Si来控制采样的节点数；

步骤3‑1：在分类模型中加入了基于边收缩的层次化池化模块，边收缩池化遵循节点之间的边关系实现池化；

步骤3‑2：在分类模型中加入跳跃连接网络模块，聚合不同层次的中间图表示；

跳跃连接网络模块操作如下：首先，以每一个网络层输出的中间图表示为输入，分别通过一个全局平均读出层，将图结构读出为一个规范的特征矩阵；接着，将所有读出层输出的特征矩阵拼接合并为一个多层次特征矩阵，以更好表现图的层次变化。

2.根据权利要求1所述的基于特征级图描述符和图卷积网络的CAD模型分类方法，其特征在于：所述的获取面向特征的模型文件作为基础数据集，具体操作如下：从公开模型网站与机械制作企业的部分模型库中获取模型文件，若以上模型中已经包含CAD模型.sldprt文件，即可作为预备使用；对预备使用的模型进行筛选，利用SOLIDWORKS API设计脚本，筛去不具备合理特征树的模型，之后再进一步手动筛选剩余模型；同时，利用SOLIDWORKS的Toolbox工具，随机生成类别范围内的模型，对现有模型类别进行补足；最终获得具有特征结构的.sldprt模型文件数据集。

3.根据权利要求1所述的基于特征级图描述符和图卷积网络的CAD模型分类方法，其特征在于：所述的在分类模型中加入了基于边收缩的层次化池化模块，边收缩池化遵循节点之间的边关系实现池化，具体为：根据图中边两端的节点，为边计算分数，依据分数降序收缩图中的边，聚合图中边两端的节点，同时保留两端节点原本的边关系，收缩过程中控制池化节点比率在0.5，最后输出经过池化的图。